光学特性参数如吸收系数(μa)、散射系数(μs)、各向异性因子(g)和折射率(n)对于研究介质物理结构和化学成分至关重要。从漫反射光学信号里获取光学特性参数的逆向求解过程依赖于理论模型,在缺乏对介质特性先验知识的情况下会产生很大的参数识别误差,同时现有算法仅仅针对一两个参数进行识别,无法同时提供这四个光学参数的识别结果,这大大降低光学检测技术的效力。光学检测信息作为控制领域中一项重要的反馈信息,它的准确性影响着控制的精准程度。介质的光学特性参数对生物医学成像和食品加工业的控制问题有着十分重要的作用,当人体细胞发生癌变从而体积变大或人体皮肤中色素的非正常沉淀时,相应部位的组织光学参数将会不同于正常组织;当食品中的某一化学成分含量高于或低于正常水平时,其光学参数也会发生相应改变。因此研究精度高、普适性好的光学特性多参数识别方法对于光学检测技术乃至疾病诊断、治疗和食品制造中的精准控制问题至关重要。本文的整体工作包括漫反射光强分布图像的仿真生成软件开发和基于图像的光学特性多参数的识别方法研究。主要研究结果包括以下3部分:1.漫反射光强分布图的仿真生成软件开发研究。传统蒙特卡洛仿真程序仅能提供垂直入射光在介质内部历经多种光学行为后在介质表面处的漫射光强信息,并且现有程序由于计算速度和光学参数的输入不方便性使得其不适合大批量的仿真样本生产。因此,为了达到增加样本数据丰富度的目的,本研究中采用读写文件的方法改变了传统蒙特卡洛程序的输入输出方式,使程序可以完成大批量的不同光学特性介质的模拟,获得在距离介质表面多个距离处的光强分布数据或者使用多个调度的入射光产生不同的光强分布数据。使用Qt5.0移植传统蒙特卡洛仿真程序,多线程模块加快了程序运行速度,并增加了可视化交互界面,大大提高了程序获取空间漫反射信息的便捷性。2.基于漫反射多距离响应光强的光学特性多参数识别。为获得高精度光学特性参数识别方法的目的,本研究首先从响应角度增加光学信号的丰富度,利用漫反射光强分布图的仿真生成软件模拟的不同距离处的漫反射光强分布图代替了传统蒙特卡洛程序仿真的单个高度漫反射光强曲线。在漫反射光强分布图的仿真生成软件中模拟了众多不同介质的漫反射光强分布图后,选取光强分布图的五个基本特征向量作为BP(Back Propagation)神经网络的输入进行训练,网络的输出是待识别的吸收系数μa、散射系数μs、各向异性因子g和折射率n,并与传统的基于非线性最小二乘拟合曲线的方法进行比较。传统方法对于吸收系数(μa)和降散射系数(μs’)的识别相对误差是12%和15%;而本文所提的方法不但同时识别了四个光学参数,也大大提高了识别精度,当信噪比大于40dB时吸收系数、散射系数、各向异性因子和折射率的识别平均相对误差仅为8.5%,10.1%,2.3%,5.7%。结果表明本文训练的神经网络的方法的识别效率远远高于传统的基于机理模型的最小二乘拟合,同时不受局部极小点的影响。3.基于多角度激发漫反射光强的光学特性多参数识别。待测介质的宏观特性如形状和大小等会影响光学检测设备在距离介质表面多个距离处获得光强分布数据,针对该问题本文提出来了从信号激励角度提高光学信号丰富度的方法,即基于多角度激发光的漫反射光强分布图像和卷积神经网络的光学特性多参数识别。根据介质形状的具体情况调整入射光的角度通过开发的反射光强分布图像仿真生成软件模拟了不同角度的入射光产生的漫反射光强分布图像,基于VGG16的深度卷积神经网络获得了光学特性多参数识别方法,对于识别吸收系数(μa)、散射系数(μs)、各向异性因子g和折射率n的平均相对误差分别是10.3%,12.0%,10.5%,8.2%,同时研究结果表明,该网络具有良好的抗噪性能。参数识别的精度和收敛性受数据丰富性限制,传统的光学检测往往只采集距离待测介质某一固定位置的光强分布,大大降低了数据的丰富性,使得无法同时识别四个基础光学参数。本研究巧妙地增加了数据的丰富性,使得能够识别四个基础光学参数;并通过神经网络的训练降低了对参数识别的时候再次拟合的长时间耗费及陷入局部极小点的缺点。